medigraphic.com

2015, Número 2

<< Anterior Siguiente >>

Rev Mex Ing Biomed 2015; 36 (2)


Identificación de un algoritmo ICA para la extracción de potenciales evocados auditivos: un estudio en señales sintéticas

Castañeda-Villa N, Calderón-Ríos ER, Jiménez-González A

Idioma: Ingles.
Referencias bibliográficas: 28
Paginas: 107-119
Archivo PDF: 1181.55 Kb.


RESUMEN

La extracción de características e información de los registros de Potenciales Evocados Auditivos (AEPs) es complicada debido a su baja energía, la que lo hace fácilmente enmascarable por artefactos de origen fisiológico o externo, como el EEG/EMG, el parpadeo y el ruido de línea. Este problema ha sido abordado por algunos autores mediante el uso del Análisis por Componentes Independientes (ICA, por sus siglas en inglés), que se ha utilizado principalmente para reducir artefactos. Estos trabajos han enfocado su interés en la tarea de remover artefactos como el parpadeo, por lo que han descuidado el estudio de la calidad del potencial evocado recuperado. Este es el caso del AEP, donde aun cuando la literatura reporta resultados interesantes en la reducción de artefactos, no existe una evaluación objetiva del AEP finalmente extraído (y el efecto de usar diferentes implementaciones/configuraciones de ICA). En este trabajo, con el objetivo de cuantificar el desempeño de tres algoritmos de ICA (FastICA, Ext-Infomax, y SOBI) en la calidad de la separación de los AEPs, se generó una mezcla sintética de señales compuesta por un Potencial Evocado Auditivos de Latencia Larga (LLAEP) y artefactos frecuentemente presentes en estos registros. Después, se cuantificó la calidad de los componentes independientes (ICs, por sus siglas en inglés) estimados por estos algoritmos utilizando el índice de desempeño (AMARI, por sus siglas en inglés) el índice de la relación de interferencia entre señales (SIR, por sus siglas en inglés) y el tiempo requerido para realizar la separación. Los resultados indican que FastICA, con el enfoque simétrico y la función de contraste potencia cúbica, proporciona la mejor y más rápida separación del LLAEP, lo que lo vuelve idóneo para esta tarea.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Neurophysiology ASC. “Guideline 9A: guidelines on evoked potentials,” Am. J. Electroneurodiagnostic Technol., vol. 46, no. 3, pp. 240-53, 2006.

  2. C.C. Duncan, R.J. Barry, J.F. Connolly, C. Fischer, P.T. Michie, R. Näätänen, et al., “Event-related potentials in clinical research: guidelines for eliciting, recording, and quantifying mismatch negativity, P300, and N400,” Clin Neurophysiol., vol. 120, no. 11, pp. 1883-908, 2009.

  3. C.P. Zuluaga, R.C. Acevedo, “Estimación de potenciales evocados auditivos del tronco cerebral mediante descomposición modal empírica,” Rev. Mex. Ing. Biomed., vol. 2, no. 3, pp. 25-30, 2008.

  4. N. Castañeda-Villa, C.J. James, “Independent Component Analysis for Auditory Evoked Potentials and Cochlear Implant Artifact Estimation,” IEEE Trans Biomed Eng., vol. 58, no. 2, pp. 348-54, 2011.

  5. A. Delorme, T. Sejnowski, S. Makeig, “Enhanced detection of artifacts in EEG data using higher-order statistics and independent component analysis,” Neuroimage, vol. 34, no. 4, pp. 1443-9, 2007.

  6. A.C. Fisher, W. El-Deredy, R.P. Hagan, M.C. Brown, P.J.G. Lisboa, “Removal of eye movement artefacts from single channel recordings of retinal evoked potentials using synchronous dynamical embedding and independent component analysis,” Med Biol Eng Comput, vol. 45, no. 1, pp. 69-77, 2007.

  7. D.M. Groppe, S. Makeig, M. Kutas, S. Diego, “Independent Component Analysis of Event-Related Potentials,” Cogn Sci Online, pp. 1-44, 2008.

  8. C. James, C. Hesse, “Independent component analysis for biomedical signals,” Physiol Meas, vol. 26, no. 1, pp. R15-39, 2005.

  9. C.A. Joyce, I.F. Gorodnitsky, M. Kutas, “Automatic removal of eye movement and blink artifacts from EEG data using blind component separation,” Psychophysiology, vol. 41, pp. 1-13, 2004.

  10. M. Klemm, J. Haueisen, G. Ivanova, “Independent component analysis: comparison of algorithms for the investigation of surface electrical brain activity,” Med Biol Eng Comput., vol. 47, no. 4, pp. 413-23, 2009.

  11. A. Craig, P. Boord, D. Craig, “Using independent component analysis to remove artifact from electroencephalographic measured during stuttered speech,” Med Biol Eng Comput., vol. 42, pp. 627-33, 2002.

  12. A. Hyvärinen, E. Oja, “Independent component analysis: algorithms and applications,” Neural Networks, vol. 13, no. 4-5, pp. 411-30, 2000.

  13. G.R. Naik, D.K.Kumar, “An Overview of Independent Component Analysis and Its Applications,” Informatica, vol. 35, pp. 63-81, 2011.

  14. R.J. Korhonen, J.C. Hernandez- Pavon, J. Metsomaa, H. Mäki, R.J. Ilmoniemi, J. Sarvas, “Removal of large muscle artifacts from transcranial magnetic stimulation-evoked EEG by independent component analysis,” Med Biol Eng Comput. vol. 49, no. 4, pp. 397-407, 2011.

  15. D. Iyer, G. Zouridakis, “Estimation of Brain Responses Based on Independent Component analysis and wavelet denoising,” Technical Report Number UH-CS-05-01, Biomedical Imaging Lab Department of Computer Science University of Houston, pp. 1-12, 2005.

  16. N. Yeung, R. Bogacz, C.B. Holroyd, S. Nieuwenhuis, J.D. Cohen, “Theta phase resetting and the error-related negativity,” Psychophysiology, vol. 44, no. 1, 39-49, 2007.

  17. P.E. McSharry, G.D. Clifford, L. Tarassenko, L.A. Smith, “A Dynamical model for Generating Synthetic Electrocardiogram Signals,” IEEE Trans Biomed Eng., vol. 50, no. 3, pp. 289-94, 2003.

  18. A. Hyvärinen, E. Oja, “A Fast Fixed-Point Algorithm for Independent Componet Analysis,” Neural Comput., vol. 9, pp. 1483-942, 1997.

  19. A.J. Bell, T.J. Sejnowski, “An information-maximisation approach to blind separation and blind deconvolution,” Neural Computation, vol. 7, no. 6, pp. 1129-1159, 1995.

  20. A. Belouchrani, K. Abed-meraim, “A Blind Source Separation Technique Using Second-Order Statistics,” IEEE Trans Signal Process, vol. 45, no. 2, pp. 434-44, 1997.

  21. T-W. Lee, M. Girolami, T.J. Sejnowski, “Independent Component Analysis Using an Extended Infomax Algorithm for Mixed Subgaussian and Supergaussian Sources,” Neural Comput., vol. 11, no. 2, pp. 417-41, 1999.

  22. W. Zhou, D. Chelidze, “Blind source separation based vibration mode identification,” Mech Syst Signal Process., vol. 21, no. 8, pp. 3072-87, 2007.

  23. T. Lee, T.J. Sejnowski, “Independent Component Analysis for Mixed Sub- Gaussian and Super- Gaussian Sources,” Jt Symp Neural Comput., vol. 4, pp. 132-9, 1997.

  24. A. Cichocki, S. Amari, “Robust Techniques for BSS and ICA with Noisy Data,” Adaptive Blind Signal and Image Processing, pp. 307-8, 2002.

  25. G. Gómez-Herrero, A. Gotchev, K. Egiazarian, “Distortion Measures for Sparse Signals,” Int Conf Comput Syst Technol - CompSysTech’ 2005, vol. 2, pp. 1-6, 2005.

  26. A. Delorme, S. Makeig, “EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis,” J Neurosci Methods, vol. 134, no. 1, pp. 9-21, 2004.

  27. E. Ollila, “The Deflation-Based FastICA Estimator: Statistical,” IEEE Trans Signal Process, vol. 58, no. 3, pp. 1527-41, 2010.

  28. F. Raimondo, J.E. Kamienkowski, M. Sigman, D. Fernandez Slezak, “CUDAICA: GPU optimization of Infomax-ICA EEG analysis,” Comput Intell Neurosci, vol. 2012, 206972, 2012.




2020     |     www.medigraphic.com